迁移学习-PixelDA-Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks

PixelDA是一种使用生成对抗网络进行无监督像素级域适应的方法,它解耦合了任务特定的架构,允许跨标签空间的泛化,提高了训练稳定性,并作为一种数据增强手段。通过在源图像和生成图像上训练任务特定损失以及像素相似性正则化,避免了模式崩溃,同时通过向G网络输入噪声和源图像生成多样化的样本,减少了对大量训练数据的需求。这种方法的可解释性更高,因为生成的是图像而非特征向量。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Unsupervised Pixel–Level Domain Adaptation

with Generative Adversarial Networks

Google Brain
London, UK
这篇文章,提供的思路就是可以将超分辨的过程看做一个task,将迁移和超分辨在一个框架里组织起来,框架是有用的。因为文章里边说到,这种domain adaptation 是假定在low level 的,而MRI 和自然图像显然是在高层次语义意义上有所区别的 

1.Introduction

    首先介绍简单的综合两个域的数据然后训练效果一般会很差。解决方法就是非监督的damain adaptation,方法大概有两种:建立一种map使得source damain 可以表示target damain ; 找到一种中间表示, domain-invariant representations,这个可以表示两个域。
    然后介绍了这篇文章提出的 PixelDA 也就是基于GAN结构的非监督的转换网络。优势有四个:
  • Decoupling from the Task-Specific Architecture: 解耦合了任务和DA,这样一个网络可以服务很多task
  • Generalization Across Label Spaces: 原来tas
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值